1.什麼是數據挖掘（Knowledge Discovery in Database）?
數據挖掘是從大量數據中挖掘有趣模式和知識的過程。數據源包括數據庫、數據倉庫、Web、其他信息存儲庫或動態地流入系統的數據。
數據挖掘可以視爲數據中的知識發現，知識發現的過程由以下步驟的迭代序列組成：
1-數據清理（消除噪聲和刪除不一致數據）；
2-數據集成（多種數據源可以組合在一起）；
3-數據選擇（從數據庫中提取與分析任務相關的數據）；
4-數據變換（通過彙總或聚集操作，把數據變換和統一成適合挖掘的形式）；
5-數據挖掘（基本步驟，使用智能方法提取數據模式）；
6-模式評估（根據某種興趣度度量，識別代表知識的真正有趣的模式。）
7-知識表示（使用可視化和只是表示技術，向用戶提供挖掘的知識）。
2.數據挖掘模式：
有趣的模式表示知識。一個模式是有趣的，如果它：1-易於被人理解；2-在某種置信度上，對於新的或檢驗數據都是有效的；3-是潛在有用的（例如，可以據之行動，或者驗證了用戶關注的某種預感）；4-是新穎的。一個模式的有趣與否需要結合客觀度量和客戶的主觀度量。
2-1-類/概念描述：特徵化（data charaterization）與區分(data discrimination)（如數據立方體的OLAP上卷和下鑽形式）。
2-2-頻繁模式（frequency pattern）。挖掘頻繁模式以發現數據中有趣的關聯和相關性。
2-3-用於預測分析的分類和迴歸。用於預測類標號未知對象的類標號。
2-4-聚類分析，根據數據組羣相似性進行聚類或分組。
2-5-離羣點分析，罕見的事件可能比正常出現的事件更令人感興趣，包含更大的信息量，離羣點數據分析稱離羣點分析或異常挖掘。
（詳細的模式總結會在後序章節持續更新……）
3.數據挖掘能做什麼？
數據挖掘作爲一個應用驅動的學科，在許多應用中獲得巨大的成功，非常成功和流行的例子如：商務智能，搜索引擎。
對於商務，較好地理解分析顧客、市場和競爭對手的商務背景至關重要，商務智能（BI）技術提供商務運作的歷史、現狀、和預測視圖。例子包括報告、聯機分析處理、商務業績管理、競爭情報、標杆管理和預測分析。
對於搜索引擎，本質上是大型數據挖掘應用，利用各種數據挖掘技術，包括爬蟲（決定爬過哪些頁面和爬行頻率）、索引（選擇被索引的頁面和決定構建索引的範圍）和搜索（確定如何排列各個頁面、加載何種廣告、如何把搜索結果個性化或使之“環境敏感”）。
4.數據挖掘的主要問題（研究問題、挑戰、趨勢）
挖掘方法、用戶交互、有效性與可伸縮性、處理各種數據類型
PASS；